提到数据驱动、精准化营销的字眼，这背后的核心就是用户行为分析。而其中最经典的当属RFM模型，简单好操作而且还十分实用。
一、RFM模型介绍
R是指用户的最近一次消费时间，用最通俗的话说就是，用户最后一次下单时间距今天有多长时间了，这个指标与用户流失和复购直接相关。
F是指用户下单频率，通俗一点儿就是，用户在固定的时间段内消费了几次。这个指标反映了用户的忠诚度。
M是指用户消费金额，其实就是用户在固定的周期内在平台上花了多少钱，直接反映了用户贡献的价值。
而RFM模型就是通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标，来描述该客户的价值状况。
二、数据提取
这次要使用的数据指标有四个，分别为“订单编号”、“买家会员名”、“订单付款时间”和“总金额”，其他指标如“订单创建时间”等暂时先不用。
三、数据清洗
这里先增加三个过滤条件，将交易失败、总金额小于等于零、且订单付款时间为空的数据筛选出去。
新增一列，命名为“次数”，数值设为常数1，主要目的是为了后面方便计算个数，同一个客户出现了多少次数值1，就说明下单了几次；
然后选择“分组汇总”，以“买家会员名”为主要汇总项，“次数”项、“总金额”项选择加和汇总，代表某个客户出现了几次、消费的总金额；同时将“订单时间”设置为“最晚时间”，也就是距离今天最近的一次消费时间，这样基本的数据清洗就完成了。
四、切分指标
下一步就是将时间、频次与订单额与参考值进行比较，这里我们会用到finebi中的逻辑函数IF，新建一列为R，具体函数为：
IF（时间<时间中心点，1，0）
其含义为如果时间列中的数据大于聚合之后的时间中心点，如果小于聚合R值，则为1，反之则为0；
同理对其他两个指标也进行划分，这样指标细分工作基本上就完成了。
五、用户分类
在FineBI中新增一列为RFM值，为了方便分组，我们的计算公式R*100+F*10+M，也就能得出0、1、10、11、100、101、110、111八个不同的值，分别代表八种客户类型。
六、数据可视化
七、总结
重要价值客户：复购率高、购买频次高、花费金额大的客户，是价值最大的用户
重要保持客户：买的多、买的贵但是不常买的客户，我们要重点保持
重要发展客户：经常买、花费大但是购买频次不多的客户，我们要发展其多购买
重要挽留客户：愿意花钱但是不常买、购买频次不多的客户，我们要重点挽留
一般价值客户：复购率高、购买频次高，但是花费金额小的客户，属于一般价值
一般保持客户：买的多但是不常买、花钱不多，属于一般保持客户
一般发展客户：经常买，但是买不多、花钱也不多，属于一般发展客户
一般挽留客户：不愿花钱、不常买、购买频次不高，最没有价值的客户
